众人皆知，阿尔茨海默病（AD）的早期诊断向来是一项难题。尽管在近两年来，人工智能取得了空前的进步，然而直到现在，我们依然缺少灵敏的工具用于对可能发展成 AD 的患者群体实施早期的判别，致使众多患者失去了最优的干预时机。
近日，剑桥大学的 Zoe Kourtzi 团队就上述问题研发出一种人工智能工具——预测性预后模型（PPM），且于英国和新加坡的多中心队列里对该模型予以了验证。
论文起始页截图
于训练 PPM 模型之际，研究人员运用了该团队先前研发的一种基于广义矩阵学习向量量化（GMLVQ）分类框架的机器学习手段。
将阿尔茨海默病神经影像学计划（ADNI）队列中 410 名轻度认知障碍（MCI）患者基线时的大脑磁共振成像（MRI）数据（主要为颞叶灰质密度成像，用于观察大脑结构变化）、艾登布鲁克认知测试修订版（ACE-R）以及简易精神状态评价量表（MMSE）结果输入 PPM，以对其加以训练。
通过训练，PPM 能够把这些患者划分为疾病稳定型 MCI 患者（sMCI，即 3 年期内始终被诊断为 MCI 的个体）与进展型 MCI 患者（pMCI，即 3 年期内发展为 AD 的个体）。
其后，研究人员再度运用三个数据集（英国国家医疗服务体系的定量 MRI 数据集[QMIN-MC，n=272]、新加坡国立大学记忆老化与认知中心的数据集[MACC，n=605]，以及同属 ADNI 队列的另外 609 名参与者的数据）对该模型予以验证。
PPM 训练与验证队列
进一步而言，研究人员期望把 PPM 的应用范畴由诊断拓展至预后，为此他们借助标量投影手段构建出 PPM（预测性预后模型）所衍生的预后指数，用以评估个体认知功能的转变情况。
结果表明，处于不同认知状态（诸如认知正常、MCI 以及 AD）之人于该指数上呈现显著差别，并且在对教育水平加以控制后，此类差异依旧显著，由此可见该指数能够用以评估个体的认知功能变化状况。
为增进 PPM 的临床实用价值，研究人员构建了一种依托于 PPM 衍生出的预后指数来对个体予以分层的方式。
最终基于认知衰退速率（即未来 MMSE 的变化）的差异，研究人员阐述了由 PPM 衍生的预后指数所代表的三种个体疾病进展的可能性，分别为：PPM 指数小于 0 的稳定型；PPM 指数大于 1 的快速进展型；PPM 指数处于 0 至 1 之间的缓慢进展型。
基于 PPM 衍生出的指数所开展的分层
随后，研究人员借助来自 MACC 队列的 6 年纵向数据，针对认知正常（CN）及 MCI 患者（共 387 位）展开基于 PPM 衍生的预后指数的分层（其中稳定型 189 位，缓慢进展型 111 位，快速进展型 87 位），并校验这些分层能否精准预判这些参与者未来演变为 AD 的风险。
结果表明，相较于传统临床诊断标准（认知正常、轻度 MCI 以及重度 MCI），由 PPM 衍生出的预后指数分层能够更为精准地预判个体于未来三年内转变为 AD 的风险。
纵向队列的验证
